Google erläutert Antigravitys Multiagenten-Ergebnisse in Mathematik und Technik

Google zufolge haben die Multiagentensysteme von Antigravity mit /teamwork menschliche Forscher dabei unterstützt, offene Probleme in Mathematik, Chemie, Systemsoftware und dem Engineering für maschinelles Lernen zu bearbeiten. Das Unternehmen stellt die Tools über Antigravity extern bereit.
- Google zufolge unterstützt Antigravitys /teamwork Forschungskooperationen zwischen Menschen und KI.
- Die Workflows nutzen parallele Erkundung, Kritiker und externe Verifikationstools.
- Forscher setzten Gemini-4-Modelle in Mathematik, Wissenschaft und Systemtechnik ein.
- Google zufolge formalisierte ein Team den Beweis der Courtade-Kumar-Vermutung in Lean 4.
- Die Tools werden über Antigravity extern bereitgestellt.
Menschliche Forscher arbeiten mit spezialisierten Agenten
In einem am 13. November veröffentlichten Beitrag von Google Research beschrieb Google Fellow und Vice President Vahab Mirrokni aktuelle Arbeiten von Teams bei Google und akademischen Partnerinstitutionen. Google zufolge nutzten die Kooperationen Gemini 4 Argon, Gemini 4 Carbon, Gemini 4 Hydrogen und Multiagenten-Workflows wie Antigravitys /teamwork.
Nach Angaben des Unternehmens führten diese Projekte zu Innovationen in der Informationstheorie, der formalen Verifikation, der Entdeckung molekularer Strukturen und der Kernel-Optimierung sowie zu Verbesserungen in Googles Produktionsinfrastruktur. Die Tools werden in Antigravity zusammen mit /boost und weiteren Agenten bereitgestellt. Forscher und Entwickler können die Workflows damit auf ihre eigenen Projekte anwenden.
Google stellt das System als interaktiven Prozess und nicht als autonomen Ersatz für Forscher dar. Menschen formulieren Fragen und definieren theoretische oder physikalische Einschränkungen, während Agenten maßgeschneiderte Löser schreiben, große Suchräume untersuchen, Kandidatendesigns testen und längere Argumentationsketten überprüfen.
Wie Antigravitys /teamwork lange Aufgaben bearbeitet
Google zufolge ist /teamwork auf zwei Einschränkungen aktueller Sprachmodelle ausgelegt. Ein Modell kann eine falsche Antwort erzeugen, obwohl eine korrekte Lösung existiert. Außerdem kann es bei Aufgaben, die sich über mehrere Tage erstrecken, den Überblick über Details verlieren.
Um das erste Problem zu lösen, kombiniert das System parallele Erkundung mit spezialisierten Widerlegern. Dazu können der Lean-4-Beweisprüfer, unveränderte Softwaretests, Ausführungssimulatoren, die Websuche und Hardwarezähler gehören. Mit diesen Tools wird überprüft, welche Kandidatenlösungen funktionieren.
Um das zweite Problem anzugehen, teilt /teamwork den Kontext auf, sodass jeder spezialisierte Agent nur die für einen bestimmten Schritt erforderlichen Dateien und Tools erhält. Koordinatoren übertragen Aufgaben an neue Nachfolger, während Kritiker und Prüfer Ergebnisse aus sauberen Kontexten kontrollieren, ohne Zugriff auf die Argumentation des ursprünglichen Erzeugers zu haben.
Google zufolge bildet /teamwork diese Prozesse als deklarative, sich selbst verbessernde Muster in natürlicher Sprache ab und leitet Prompts an das für die jeweilige Aufgabe am besten geeignete Muster weiter. Dazu gehören verteiltes Programmieren, iteratives Problemlösen mit /boost, Workflows für lange Beweise und die Dokumentenprüfung. Das Unternehmen kündigt für die kommenden Wochen weitere Aktualisierungen an, da zusätzliche Funktionen für externe Nutzer von Antigravity bereitgestellt werden.
Gemeldete Fortschritte in Mathematik und Informatik
Google hob einen Beweis der Courtade-Kumar-Vermutung hervor, eines Problems der Informationstheorie aus dem Jahr 2013. Forscher von Google, der CUHK, der USC und der CMU nutzten das Muster Long Proof, das Stellar Colosseum in Antigravity implementiert. Google zufolge beweist die Arbeit in voller Allgemeinheit, dass eine Kompression auf ein einzelnes Bit nicht mehr Informationen bewahren kann als eine Diktatorfunktion, die ein Eingabebit kopiert, wenn eine zufällige Bitfolge einen verrauschten Kanal durchläuft.
Das Unternehmen sagt, Gemini habe zunächst Gegenbeispiele zu einer verallgemeinerten Vermutung aus einer früheren CUHK-Arbeit gefunden. Anschließend schlugen die Forscher eine neue Kandidatenfunktion vor und reduzierten das Problem auf ein Optimierungsproblem mit 14 Variablen. Gemini 4 Argon und frühere Gemini-Modelle halfen dabei, den Parameterraum aufzuteilen und analytische Schranken sowie Zertifikate auf Basis von Intervallarithmetik zu entwickeln. Das Team formalisierte den vollständigen Beweis in Lean 4 und erzeugte 50 Millionen Codezeilen.
Zu den weiteren von Google beschriebenen Beispielen gehören ein in Lean verifiziertes Ergebnis zu nahezu optimalen Stichprobenschranken in der adaptiven Datenanalyse, eine neue Konstruktion im Quantencomputing, die eine Frage aus dem Jahr 2014 klärt, sowie ein deterministischer Algorithmus, der die zentrale offene Frage aus STOC 2024 zur booleschen Matrixmultiplikation und Dreieckserkennung beantwortet.
Google berichtete außerdem über Ergebnisse zu dünn besetzten Netzwerken, randomisierter linearer Algebra, der Sparsifizierung dynamischer Graphen, der Online-Inversen-Linearoptimierung, der Ganzzahlmultiplikation, Datenstrukturen und hochdimensionaler Statistik. Laut Quelle verifizierten, vereinfachten und redigierten die Forscher die entstandenen Algorithmen und Beweise für die Veröffentlichung. Dies unterstreicht die Rolle menschlicher Experten bei den beschriebenen Arbeiten.
Google Research: Advancing science & engineering with Antigravity’s /teamwork


